System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于信号处理,涉及一种雷达回波信号盲去噪方法。
技术介绍
1、人体目标探测与感知技术在自动驾驶、生物特征识别、异常检测等领域有广泛的应用前景。雷达传感器具有对各类场景适应性强、功耗低、能保护用户隐私等独特优势,近年来已经成为人体目标探测与感知技术研究的热点。然而,在实际应用中,由于接收到的雷达回波信号会受到信道杂波以及环境噪声的干扰,为了避免其对后续的人体目标感知与探测任务的性能造成影响,需要设计去噪模型或方法来抑制谱图中的杂波及噪声。
2、传统的雷达回波信号去噪方法大多是利用先验知识来实现回波信号信噪比的提升。然而,传统的盲去噪方法通常需要手动设置与场景或环境有关的参数,应用范围受到较大的限制。
3、在人体运动感知和检测任务的真实应用中,捕获到的雷达回波信号易受到采集环境或场景的影响。由于真实应用场景的多样性和环境的不可预测性,致使场景中的噪声分布也具有多样性和未知性,因此需要设计能适应对多种噪声分布且在训练阶段噪声分布未知的通用盲去噪模型。同时,传统的去噪方法中利用实测的雷达谱图作为训练样本,容易因为成本高而导致训练样本不足。
技术实现思路
1、有鉴于此,本专利技术旨在克服现有技术中上述问题的不足之处,提出一种雷达回波信号盲去噪方法。
2、为达到上述目的,本专利技术的技术方案是这样实现的:
3、雷达回波信号盲去噪方法,包括如下步骤:
4、步骤1:将仿真得到的雷达谱图作为训练集,将实测得到的雷达谱图作为测试集;
5、步骤2:用训练集和测试集构建盲去噪模型,盲去噪模型包括分布拓展模块、去噪网络以及语义恢复网络;
6、分布拓展模块用于对训练集的数据进行数据增广;
7、去噪网络用于抑制噪声能量,采用编解码结构;
8、语义恢复网络用于对人体目标的运动信息进行恢复,采用编解码结构;
9、步骤3:对盲去噪模型进行训练及优化,包括:
10、将输入的训练集中的噪声谱图和目标谱图经过分布拓展模块进行数据增广,得到噪声谱图和目标谱图的邻域样本,对噪声谱图和目标谱图的邻域样本分别进行fft,得到噪声谱图和目标谱图的邻域样本的幅度分量以及目标谱图的相位分量;
11、利用去噪网络对噪声谱图的邻域样本进行噪声抑制,得到抑制噪声后的谱图的邻域样本,对抑制噪声后的谱图的领域样本进行fft,得到抑制噪声后的谱图的相位分量;
12、利用语义恢复网络对抑制噪声后的谱图的邻域样本将进行恢复,得到输出谱图;
13、利用噪声谱图和目标谱图的邻域样本的幅度分量计算幅度分量损失;
14、利用抑制噪声后的谱图的相位分量和目标谱图的相位分量计算相位分量损失;
15、计算输出谱图的重建损失、边缘损失、以及一致性损失;
16、综合幅值分量损失、相位分量损失、重建损失、边缘损失和一致性损失得到盲去噪模型的训练损失;
17、利用盲去噪模型的训练损失对去噪网络以及语义恢复网络进行更新,得到最终的盲去噪模型;
18、步骤4:利用盲去噪模型去除雷达谱图噪声,并输出去噪后的多普勒谱图。
19、进一步的,所述步骤1中,在无噪声的仿真雷达谱图数据集中添加高斯噪声,形成有噪声的仿真雷达谱图数据集,作为训练集;
20、在实测雷达谱图数据集中添加与训练集的噪声分布不同的泊松噪声和斑点噪声,形成有噪声的实测雷达谱图数据集,作为测试集。
21、进一步的,所述数据增广的过程包括:
22、方法1:为任意两幅噪声谱图和目标谱图构造邻域样本,扩展训练数据,邻域样本的构造过程如下:
23、,;
24、其中,,和,分别是在一个训练批次中随机选取的两幅噪声谱图和目标谱图,和分别是所选噪声谱图的邻域样本和目标谱图的邻域样本,是加权系数,对于任意<mstyle displaystyle="true" mathcolor="#000000"><mi>λ</mi><mi>∈</mi><mi>[</mi><mn>0</mn><mi>,</mi><mn>1</mn><mi>]</mi></mstyle>,的取值是服从贝塔分布的随机采样;
25、方法2:为噪声分布外数据构造邻域样本,扩展训练数据,邻域样本的构造过程如下:
26、,=;
27、其中,和分别是噪声谱图和对应的目标谱图,表示谱图上沿时间轴随机选取的时间窗;
28、对两种方法获得的邻域样本分别赋予相应的概率,得到最终的噪声谱图的邻域样本。
29、相对于现有技术,本专利技术所述的雷达回波信号盲去噪方法具有以下优势:
30、本专利技术针对实测雷达回波信号的传输特点,将从两个谱图获得的噪声看作是一种分布发生变化的噪声,提出了一种基于vrm准则的数据增广方法来模拟真实应用场景噪声分布的广泛性和复杂性,以提高模型对训练期间不曾见过的ood数据的泛化性能,以解决源域到目标域噪声分布迁移的问题;
31、本专利技术提出用仿真的雷达谱图作为训练集,用实测的雷达谱图作为测试集来构建通用盲去噪模型。为保证仿真谱图中的知识在实测谱图上的有效性,我们提出了一种基于稀疏表示的形态分量最佳化策略,将训练集数据以及测试集数据进行fft处理,利用仿真谱图与实测谱图在幅度和相位分量上的更高相似性,使用仿真谱图训练得到的盲去噪模型对实测谱图有更好的适应性,以解决测试集与训练集之间数据集偏移问题;
32、本专利技术基于所提出的数据增广方法,形态分量最佳化策略,构建了适用于雷达谱图的通用盲去噪模型,并用六种评价指标和七种对比方法实验验证了所提出的去噪模型的有效性和优越性,同时还用消融实验验证了所提出的数据增广方法、形态分量优化策略以及盲去噪模型的各模块的必要性。
本文档来自技高网...【技术保护点】
1.雷达回波信号盲去噪方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的雷达回波信号盲去噪方法,其特征在于:所述步骤1中,在无噪声的仿真雷达谱图数据集中添加高斯噪声,形成有噪声的仿真雷达谱图数据集,作为训练集;
3.根据权利要求1所述的雷达回波信号盲去噪方法,其特征在于:所述数据增广的过程包括:
【技术特征摘要】
1.雷达回波信号盲去噪方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的雷达回波信号盲去噪方法,其特征在于:所述步骤1中,在无噪声的仿真雷达谱图...
【专利技术属性】
技术研发人员:李北辰,欧枫,杨阳,郎玥,何元,翟文广,侯广琦,
申请(专利权)人:天津大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。